基于復(fù)雜網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別方法研究.pdf

1、圖像目標(biāo)識(shí)別技術(shù)是人工智能研究的重點(diǎn)領(lǐng)域之一。在視頻監(jiān)控、人機(jī)交互、交通監(jiān)控、行為識(shí)別、自動(dòng)導(dǎo)航等方面都有大量成功應(yīng)用的例子。目前已經(jīng)形成了許多有價(jià)值的目標(biāo)識(shí)別方法。根據(jù)識(shí)別過程用到的目標(biāo)對(duì)象特征，可以將目標(biāo)識(shí)別方法大致劃分為基于區(qū)域的算法、基于輪廓的算法、基于模型的算法以及基于特征的算法四類。根據(jù)所采用算法的不同，又可以將目標(biāo)識(shí)別方法大致劃分為基于濾波理論的目標(biāo)識(shí)別方法、基于MeanShift的目標(biāo)識(shí)別方法、基于偏微分方程的目標(biāo)識(shí)別方

2、法等三類。值得注意的是，由于這些識(shí)別方法多與圖像中點(diǎn)的位置和順序緊密相關(guān)，因此在面對(duì)圖像平面旋轉(zhuǎn)不變性、平移不變性、縮放不變性等特性時(shí)，其識(shí)別效果都有不同程度的減弱，在實(shí)際應(yīng)用中，圖像輪廓輕微變化、光照強(qiáng)度小幅度變化以及局部遮擋等因素都會(huì)對(duì)識(shí)別效果產(chǎn)生不良影響。
　　 復(fù)雜網(wǎng)絡(luò)是復(fù)雜系統(tǒng)理論中的重要研究對(duì)象，復(fù)雜網(wǎng)絡(luò)理論研究受到越來越多研究者的重視，相關(guān)的概念和方法都是當(dāng)前的研究熱點(diǎn)。復(fù)雜網(wǎng)絡(luò)利用數(shù)學(xué)圖論建立模型，僅考慮節(jié)點(diǎn)間的

3、相對(duì)位置等拓?fù)潢P(guān)系，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)間的順序關(guān)系、節(jié)點(diǎn)所處位置等關(guān)注較少，網(wǎng)絡(luò)圖的整體旋轉(zhuǎn)、平移等對(duì)復(fù)雜網(wǎng)絡(luò)拓?fù)涮匦詻]有影響。因此，如果能夠利用復(fù)雜網(wǎng)絡(luò)作為平面圖像邊界形狀的描述模型，并在此基礎(chǔ)上建立形狀識(shí)別算法，那么這種算法將能夠有效地適應(yīng)圖像邊界形狀的改變。
　　 本文在現(xiàn)有相關(guān)研究基礎(chǔ)上，將復(fù)雜網(wǎng)絡(luò)方法應(yīng)用于圖像目標(biāo)識(shí)別領(lǐng)域，針對(duì)形狀輪廓識(shí)別和灰度圖像識(shí)別等應(yīng)用環(huán)境，提出一類基于復(fù)雜網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別方法。通過將基于輪廓的圖像識(shí)

4、別方法與復(fù)雜網(wǎng)絡(luò)方法優(yōu)點(diǎn)相融合，本文方法既保留基于輪廓的識(shí)別方法所具有的過程簡單、識(shí)別效率高等特點(diǎn)，又充分發(fā)揮復(fù)雜網(wǎng)絡(luò)方法僅考慮網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，與節(jié)點(diǎn)位置、順序無關(guān)等特點(diǎn)，克服了圖像輪廓輕微變化、光照強(qiáng)度小幅度變化以及局部遮擋等因素對(duì)識(shí)別方法的影響，使得識(shí)別方法具有平面旋轉(zhuǎn)不變性、平移不變性、縮放不變性以及一定程度的容噪性。
　　 本文研究內(nèi)容屬于二維序列圖像中的目標(biāo)識(shí)別。通過獲取目標(biāo)的輪廓，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別，目標(biāo)行為的跟蹤、分

5、析、描述和理解提供可靠的數(shù)據(jù)支持。本文方法的主要技術(shù)路線是首先對(duì)待識(shí)別的圖像提取形狀輪廓和灰度輪廓組，分別保留圖像的形狀特征和顏色特征。然后將上述輪廓以圖的形式表示，利用復(fù)雜網(wǎng)絡(luò)理論建立相應(yīng)的網(wǎng)絡(luò)模型，并計(jì)算與復(fù)雜網(wǎng)絡(luò)相關(guān)的參數(shù)。最后通過對(duì)所有網(wǎng)絡(luò)模型提取特征參數(shù)，匯集形成識(shí)別參數(shù)，產(chǎn)生圖像目標(biāo)識(shí)別算法用于對(duì)象目標(biāo)的識(shí)別和分類。
　　 本文研究內(nèi)容的創(chuàng)新性主要體現(xiàn)在以下幾個(gè)方面:
　　 (1)融合復(fù)雜網(wǎng)絡(luò)與輪廓識(shí)別方法。

6、利用復(fù)雜網(wǎng)絡(luò)方法抽取目標(biāo)的輪廓拓?fù)湫畔?，形成識(shí)別參數(shù)，將復(fù)雜網(wǎng)絡(luò)方法的優(yōu)點(diǎn)融入到基于輪廓的目標(biāo)識(shí)別方法中，簡化目標(biāo)網(wǎng)絡(luò)模型的復(fù)雜程度，增強(qiáng)識(shí)別方法的容噪性，形成一種有效的目標(biāo)識(shí)別方法。
　　 (2)控制復(fù)雜網(wǎng)絡(luò)規(guī)模。本文通過利用圖像輪廓、使用簡單網(wǎng)絡(luò)參數(shù)、改進(jìn)建模步驟等方式，從多個(gè)方面控制復(fù)雜網(wǎng)絡(luò)模型的規(guī)模，減少識(shí)別方法占用的存儲(chǔ)空間，縮短計(jì)算時(shí)間。在更簡單的網(wǎng)絡(luò)模型基礎(chǔ)上，獲取盡可能多的拓?fù)湫畔⒂糜谀繕?biāo)識(shí)別。
　　 (

7、3)改進(jìn)圖像輪廓提取方法。本文提出針對(duì)灰度圖像分別提取形狀輪廓、灰度輪廓用于復(fù)雜網(wǎng)絡(luò)目標(biāo)識(shí)別的新思路，綜合利用灰度圖像中目標(biāo)對(duì)象的形狀特征、色彩特征，提升目標(biāo)間的區(qū)別度，提升識(shí)別效率。其中，在灰度輪廓提取方面，本文提出一種使用簡單的二值化圖像去除鄰接點(diǎn)的輪廓提取方法，既克服了二值化圖像像素點(diǎn)多的缺點(diǎn)，又在一定程度上保留了圖像的色彩信息。
　　 (4)調(diào)整閾值參數(shù)和識(shí)別參數(shù)。本文在閾值參數(shù)和識(shí)別參數(shù)選取方面做了改進(jìn)。提出一種距離閾

8、值判定(DTD)方法，利用樣本組的輪廓計(jì)算判定參數(shù)，用于協(xié)助確定距離閾值的取值范圍，減少主觀判斷造成的識(shí)別效果不確定性。選擇識(shí)別參數(shù)時(shí)，使用了基于節(jié)點(diǎn)度的一系列簡單的網(wǎng)絡(luò)參數(shù)，通過一次計(jì)算得到一組參數(shù)，既反映了更豐富的網(wǎng)絡(luò)模型的拓?fù)涮卣?，也減少了計(jì)算量。
　　 仿真實(shí)驗(yàn)數(shù)據(jù)證明本文方法具有對(duì)輪廓圖精確度依賴性較低、復(fù)雜網(wǎng)絡(luò)規(guī)模小、閾值參數(shù)少、能有效適應(yīng)邊界形狀改變等優(yōu)點(diǎn)，在給定的形狀輪廓識(shí)別、灰度圖像識(shí)別應(yīng)用方面具有較高的準(zhǔn)確率